千鋒教育-做有情懷、有良心、有品質的職業教育機構
1. Nginx的日志可以通過Flume抽取到HDFS上。
2. Mysql的數據可以通過 Sqoop 抽取到 Hive 中，同樣 Hive 的數據也可以通過 Sqoop 抽取到 Mysql 中。
3. HDFS上的一些數據不規整，有很多垃圾信息，可以用Hadoop或者Spark 進行處理并重新存入HDFS中。
4. Hive的表也可以通過 Hive 再做一些計算生成新的 Hive 表。
這些都算是ETL，其中 1 和 2 都比較典型，它們把數據從一個存儲引擎轉移到另一個存儲引擎，在轉移的過程中做了一定的轉換操作。
3 和4也同樣是ETL只是它們更側重的是數據的加工。
到了這一步，我們不再糾結于具體的ETL概念是什么，僅從自己的直觀理解上來定義ETL，不管嚴謹不嚴謹，反正這些活ETL工程師基本都要干。
ETL是對數據的加工過程，它包括了數據抽取、數據清洗、數據入庫等一系列操作，大部分和數據處理清洗相關的操作都可以算是ETL。
上一篇
遲到的數據該怎樣處理？下一篇
數據清洗問題你怎么看
hive外部表是使用external關鍵字并指定一個hdfs目錄創建的表。hive內部表在創建時會在對應hive目錄下創建相應的文件夾，外部表則以指定文件夾為...詳情>>
2022-09-02 17:21:00
Checkpoint是為runtime準備的，Savepoint 是為用戶準備的。Checkpoint 機制的目標在于保證Flink作業意外崩潰重啟不影響exactly once 準確性，通...詳情>>
2022-09-02 16:59:22
State：指一個具體的Task/Operator的狀態。State可以被記錄，在失敗的情況下數據還可以恢復，Flink中有兩種基本類型的State： Keyed State， Op...詳情>>
2022-09-02 16:59:19
Flink 內部是基于producer-consumer模型來進行消息傳遞的，Flink的反壓設計也是基于這個模型。Flink 使用了高效有界的分布式阻塞隊列，就像 Jav...詳情>>
2022-09-02 16:59:16
雖說水位線(Watermark)表明早于它的事件不應該再出現，但是接收到水位線以前的的消息是不可避免的，這就是所謂的遲到事件。實際上遲到事件是亂...詳情>>
2022-09-02 16:59:00
京公網安備 11010802030320號